基于MR的小區輪廓和共覆蓋識別方法研究與應用

韓斌杰

中國移動通信集團河北有限公司 石家莊 050000

引言

移動網絡的快速發展給人們的生產、生活方式帶來了非常大的改變，已經成為人們日常生活中不可或缺的一項基礎服務[1]。隨著移動網絡用戶的不斷增長，對于網絡覆蓋和質量的要求也在不斷提高，如何保證廣大用戶更好、更便捷地使用網絡已經成為了運營商重點關注的問題。終端用戶在通話過程中上報的MR(Measurement Report，測量報告)數據對于網絡質量評估和無線原因分析來說是非常重要的參考依據，能夠有效支撐無線網絡優化人員進行問題根因的定位和處理。但是如何實現海量MR數據實時、快速地精準定位，在技術上始終是一件較為棘手的問題。同時，隨著網絡覆蓋深度的不斷提升，如何有效利用MR數據，充分發掘MR數據的價值不僅對于提升無線網絡問題分析的效率和質量等方面具有重要的作用，而且可以支撐客服、市場等部門的網絡營銷、投訴問題處理等。

目前在MR定位方面比較常見的是WCCL(Weighted Centroid Correction Localization，加權質心校正定位)快速定位算法，它是測距幾何定位和基于加權質心幾何定位的綜合應用，前者通過MR測量的時延或通過傳播模型構造的偽裝時延和方位角的交點綜合判定UE候選位置，后者通過MR測量小區構造多邊形并基于電平加權計算拓撲質心作為UE空間候選位置，根據兩種定位方法的結果確定UE的最終位置[2-3]。從實現邏輯上看，WCCL定位算法主要基于無線基站的工參對MR進行加權后定位，對工參的準確性具有很強的依賴性，如果工參配置跟實際偏差過大，會導致定位結果偏差過大。

為了有效提升MR的定位精度，本文采用了一種基于特征匹配的MR定位方法，首先利用終端上報的帶有經緯度信息的測量報告(如MDT數據，即帶有經緯度的MR數據)構建地理位置與周邊站點的信號強度關系，形成位置定位特征庫，通過已建立的特征庫中查找與當前MR特征最接近的位置點來確定MR的位置[4]。而后基于MR的定位結果進一步實現了小區輪廓和共覆蓋的精準識別，識別的結果可以作為基礎數據資產支持日常網絡優化、客服投訴區域精準判斷等。

1 基于特征匹配的MR定位技術

特征匹配定位也叫DCM(Database Correlation Method)或指紋(Fingerprint)技術，通過構建網絡覆蓋范圍內每個地理點上各小區電平或信噪比的信息特征庫，然后根據手機上報的信息與已構建特征庫信息的差異程度確定手機相應的位置柵格點來進行定位[5-6]。特征庫越準，定位精度越高，且適合于各種制式和大部分場景，具有很強的實用性。基于特征匹配的MR定位方法主要可以分為以下幾個過程。

1)基于實際網絡的小區覆蓋信息構建精度較高的特征庫；

2)基于鄰區關系、鄰區電平等測量信息構建特征匹配打分模型；

3)基于時延和角度確定代入匹配計算的候選柵格集范圍；

4)通過迭代運算從候選柵格集中找到得分最高的最優柵格如公式1所示。

其中：M為匹配值；Kn為小區匹配權重；Cn為共站衰減系數； CMatchConstant為匹配常量，此因子調整鄰區關系和電平匹配度兩者關系；Rxn是MR中小區n的電平，rxn是柵格中小區n的電平。每個柵格計算得到一個M值，M值越大，匹配度越高，M值最大的柵格即為定位點。

在實際應用中，特征庫的構建可以基于已有特征庫構建，也可以完全新建，構建過程如圖1所示，核心為如下兩個模塊。

1)新建特征庫構建：提取MDT MR高精度數據，進行柵格化處理，柵格化后同一柵格內同一小區電平進行均化處理，并記錄出現次數；每個柵格逐一處理，根據小區出現次數、電平強弱排序，統計每個柵格TOP N小區及電平信息，生成初始特征庫；

2)已有特征庫構建：結合工參，篩除非法的高精度數據(簡稱實測數據)，將上次構建特征庫所在區域劃分為不同的Cluster，可認為Cluster內同小區的電平是連續分布的，按修正所依據的實測數據范圍不同，修正方式有以下三種。①柵格級修正：使用實測數據修正最近柵格電平，被修正的柵格為實測柵格。Cluster內部修正：②Cluster內存在足夠多的實測柵格，未修正柵格關聯塊內實測柵格，統計實測電平和原特征庫電平關系完成修正。③Cluster聯合修正：Cluster1內不存在足夠的實測柵格，但存在足夠數量的相鄰Cluster已進行了Cluster內部修正，則Cluster1內的柵格可以結合相鄰Cluster進行修正[7]。

2 小區輪廓和共覆蓋識別算法

在對MR數據進行定位后，為了便于指標呈現和問題處理，業界普遍采用柵格進行呈現。MR柵格化就是將落在柵格內的所有MR的經緯度歸一化，同一個網格對象內的所有MR最終歸一成一條統計記錄，再通過地理化服務器提供的柵格渲染服務生成柵格圖層進行呈現。

小區的輪廓從本質上講是一個地理空間概念，要識別小區的輪廓，則首先需要判斷哪些柵格由該小區覆蓋，然后將由同一小區覆蓋的柵格進行合并，最終得到小區的輪廓信息。本文提出的小區輪廓識別方法如下。

1)統計柵格內包含的MR條數，如果MR條數≥閾值M，則認為該柵格為有效柵格；

2)計算有效柵格內包含的MR條數及其對應的服務小區，如圖2所示；

3)統計同一柵格內涉及的服務小區及其MR占比，即計算柵格內某服務小區對應的MR條數與柵格內所有MR條數的比例；

4)如果某服務小區對應的MR占比≥閾值N，則認為該柵格可以由該小區覆蓋；

5)獲取由該小區覆蓋的所有柵格及其位置信息，將其合并得到小區的輪廓信息。

所謂小區共覆蓋判斷，就是基于小區的輪廓信息進一步判斷不同小區的覆蓋是否存在較大的重疊區域，進而判斷小區是否共覆蓋，本文識別方法主要步驟如下。

1)基于小區輪廓識別方法得到對應小區的主服務柵格信息，匯總每個小區的輪廓包含的柵格信息，得到需要進行共覆蓋判斷的全量柵格；

2)以匯總后的柵格為比較對象，統計同一個柵格的主服務小區信息，即某個柵格由哪幾個小區主覆蓋，構建存在同覆蓋柵格的小區關系表；

3)依次比較所有的柵格，獲取每個柵格對應的主服務小區信息，建立全量柵格與主服務小區的對應關系表，如圖3所示；

4)基于步驟3中的關系表得到不同小區之間共覆蓋的柵格信息；

5)計算不同小區之間的柵格共覆蓋比例，小區間共覆蓋柵格的數量/小區輪廓包含的主覆蓋柵格數量=小區共覆蓋比例。假設Cell1主覆蓋輪廓包含的柵格為柵格1、2、3、4、5、6、7、8；Cell2主覆蓋輪廓包含的柵格為柵格1、2、3、4、5、8；則Cell1與Cell2的共覆蓋比例為5/8=71.42%，Cell2與Cell1的共覆蓋比例為5/6=83.33%(即小區共覆蓋判斷要進行兩兩判斷)。

假設小區主覆蓋柵格范圍C＞B＞A，則認為小區C與小區A、B共覆蓋，以小區C為行數進行記錄；如圖4所示，按照覆蓋范圍大的進行記錄，得到小區C與小區A/B、D共覆蓋的記錄信息。

3 結果與分析

1)MR定位精度的對比

定位精度(Precision)指的是通過定位計算獲得的位置點與UE真實的位置點之間的誤差或偏差[8]。在實際MR定位中，由于每個MR采樣點的計算值與測量值差異變化不一，因此某個點的定位誤差不能夠代表一批MR采樣點的定位精度。本文使用CDF(Cumulative Distribution Function，累積分布函數)曲線上的關鍵點來表述定位精度，在某種概率(Probability)前提下表述定位誤差[9]。例如在67%的概率下，定位誤差小于100米，表述為100米@67%的方式。本次驗證取67%和95%兩個典型概率點(67%接近正態分布的1西格瑪，對應的值與正態分布的標準差一致；95%接近正態分布的2西格瑪位置)下的誤差值來描述定位誤差。

本文使用的特征匹配定位算法，統計得出的定位精度約為40m，而基于WCCL定位統計的定位精度約為180m，基于特征匹配的定位結果顯著高于WCCL定位算法，對比效果如圖5所示，其中橫坐標表示定位誤差，縱坐標表示累計分布函數。

2)小區輪廓識別結果分析

在進行小區輪廓識別前，首先要確定柵格MR采樣點數量M和采樣點占比N的取值。隨機選取包含不同場景的10萬個柵格進行分析，可以發現當柵格采樣點數M=100時，計算時間和計算完整度取得較好的平衡，如圖6所示，其中橫坐標表示MR柵格采樣點數量，縱坐標表示計算時間。當柵格采樣點占比N=30%時，小區輪廓識別的準確率較高，如圖7所示，其中橫坐標表示柵格采樣點占比，縱坐標表示識別準確度。

確定M和N的取值后，基于計算結果隨機抽取不同地市不同場景的小區各200個進行準確性驗證，如果識別出的小區輪廓包含的柵格MR采樣點數量≥該小區全量MR采樣點數量的80%，則認為識別正確，驗證結果如表1所示，有效證明了本文小區輪廓識別算法的有效性。小區輪廓識別結果實例如圖8所示。

表1 小區輪廓識別準確性分析

3)共覆蓋識別結果分析

在小區輪廓識別的基礎上，對小區共覆蓋識別結果的準確性進行驗證，從兩個維度進行評判，一是識別的準確性，即識別出的結果正確的占比；二是識別的完整性，即識別出的結果是否完整。選取市區、縣城和農村三種場景各200個小區進行實際驗證，驗證結果如表2所示。

表2 小區共覆蓋識別準確性分析

4 結束語

隨著移動網絡越來越復雜，無線網絡優化工作普遍存在著多制式協同優化難度大、網絡互操作策略難等現實問題。充分借助IT平臺實現對網絡數據的分析和挖潛對于提升問題處理的效率和質量具有重要的作用，也是無線網絡優化數字化、智能化轉型的發展趨勢[10]。本文采用了一種基于特征匹配的MR定位算法，實現對用戶MR數據的精準定位，而后在此基礎上實現對小區輪廓的判斷和共覆蓋的識別，將海量的MR數據轉換為網絡優化的基礎信息，同時將其推送給客服系統，有效支撐日常網絡投訴問題處理。后續應進一步結合5G網絡的發展，逐步完善面向5G的MR數據分析和應用，促進4/5G網絡協同優化發展。